什么是图像增广？
对已有数据集扩充，使其更多样
- 语音：加入背景噪音
- 图像：颜色、形状、噪音
为什么需要图像增广？
Consumer Electronics Show (CES) 展会案例
- 智能售货机：现场演示效果很差
- 灯光色温
- 桌面光照反射
- 解决方案：（连夜）收集会场数据
- 训练新模型
- 更换新桌布
问题：每次展会都提前去训练模型？
图像增广：几何变形
图像内容、位置的微小变形、偏移
- 不同姿态
图像增广：几何变形、剪裁
图像内容、位置的微小变形、偏移
- 不同姿态
- 调整FOV：等价于剪裁
图像增广：摄影参数
色温：暖（黄）、冷（蓝）色调
曝光：整体明度
图像增广：硬件
- 噪音：传感器质量、ISO
图像增广：硬件、后期
- 噪音：传感器质量、ISO
- 饱和度：颜色的纯正程度或鲜明程度
图像增广：物理定律
“倒立的凳子”也是凳子
图像增广：物理定律、常识
“倒立的凳子”也是凳子
这是只名贵的猫，因为它会倒立
- 它会让你把图片倒过来看
图像增广：生物事实
- 理论上猫只有黑/白/橙、纯色/斑纹的组合
图像增广：生物事实、装饰
- 理论上猫只有黑/白/橙、纯色/斑纹的组合
- 印度洒红节
imgaug
imgaug: https://github.com/aleju/imgaug
网络架构解析
神经网络可以划分成两个组件
- 特征提取：看成自动化特征工程
- 输出适配：例如分类器输出概率
也可以认为是两个处理阶段
微调：特征提取
微调的本质：将训练好的模型当作特征提取器
- 图像的特征描述大同小异
- 任务之间可以共享特征
- 但不同深度的特征含义不同
- 如何取舍？
微调：输出适配
微调的本质：将训练好的模型当作特征提取器
- 图像的特征描述大同小异
- 任务之间可以共享特征
- 但不同深度的特征含义不同
- 如何取舍？
- 输出适配：重新构造、替换
- 任务变化：不再是分类问题
- 类别数、标签含义都可能变
微调：权重初始化
首先看目标模型重用全部特征提取器
微调：训练
在目标数据集上正常训练
- 需要更强的正则化：避免参数剧烈变动
- 小学习率：已经在最优点附近
- 通常只需更少的数据迭代
比直接训练：速度更快、精度更高
- 源数据集、模型远比目标复杂时，效果更好
- 有可能出现过拟合，但也可能覆盖测试集
迁移学习 transfer learning：将从源数据集学到的知识迁移到目标数据集
微调：部分重用 I
根据任务的差异幅度选择提取层级
后面层：概括、特性特征
- 观察范围（感受野）更大
- 与任务更相关，必须替换
微调：部分重用 II
根据任务的差异幅度选择提取层级
后面层：概括、特性特征
- 观察范围（感受野）更大
- 与任务更相关，必须替换
前面层：低级、共性特征
- 只能观察局部
- 颜色、边缘、形状等
可以固定参数：不参与训练
微调：重用分类器
特殊情况：源数据集含目标数据集的部分标签
- 含“赛车”类
- 可以使用对应标签提取的特征表示（向量）
图片分类、目标检测
图片分类：输出类别标签
- 图像中只有一个目标对象
目标检测：输出类别标签、位置
- 图像中有多个目标对象
- 如何确定、表示目标的位置？
“不来梅城市音乐家”
目标检测：位置的不同粒度
目标检测：输出类别标签、位置
- 位置的描述有不同层次
- 单点？歧义过大，无法评测
- 边缘？成本过大，计算复杂
- 边界框：折衷方案，业界常用
“不来梅城市音乐家”
目标检测：手势实例
目标检测：边界框
定义：只需4个数字
- 左上(x,y)，右下(x,y)
- 左上(x,y)，宽、高(w,h)
- 或中心点 + 宽、高
目标检测：数据集
多个目标：每行一个物体
- 文件名、类别、边界框
- 80物体类别，330K图片；1.5M物体
目标检测：两个阶段
目标检测可以看成两个阶段
- 输出可能含物体的边界框
- 判定边界框中物体的类别
因此边界框也称备选区域 Region of Interest (ROI)
ROI 调整算法：
- 采样大量备选框，并判定是否包含任何物体
- 调整边界：计算、输出目标物体的真实边界框
锚框：完全覆盖法
以每个像素为中心生成不同形状的边界框
- 图宽w、高h，缩放比s \in
(0,1]，宽高比r > 0
- 锚框：宽ws\sqrt{r}、高hs/\sqrt{r}
中心点称为“锚点 anchor”
锚框：完全覆盖计算量
以每个像素为中心生成不同形状的边界框
- 图宽w、高h，缩放比s \in
(0,1]，宽高比r > 0
- 锚框：宽ws\sqrt{r}、高hs/\sqrt{r}
中心点称为“锚点 anchor”
- 实际计算中缩放比、宽高比取有限的一系列值
- s \in \{s_1,..,s_n\}, r \in \{r_1,..,r_m\}
问题：计算复杂度太高，不可能计算
- 锚框总数：whnm，例如：500 \times 500 \times 9 = 2.25 M
- 实践中只考虑包含s_1或r_1的组合：(s_1,r_1),..,(s_1,r_m),(s_2,r_1),..,(s_n,r_1)
- 每个锚点对应m+n-1个锚框
- 总共wh(m+n-1)个锚框：计算复杂度还是太高
交并比（IoU）
右图：蓝色框以s=0.75,r=1为参数似乎不错
- 那么如何量化误差呢？
- 本质：计算两个矩形面积的相对差异
IoU，也称Jaccard相似度：计算框之间的相似度
J(A,B) = \frac{|A \cap B|}{|A \cup B|}
- 相似度取值范围：[0,1]
锚框标注：训练、预测
训练：每个锚框构造、标注一个训练样本
- 标签：锚框中物体的类别，或背景
- 背景：可能生成大量负例
- 偏移量：真实边界框的相对位移
- (x,y) + (\Delta x,\Delta y)
预测：生成多个锚框，逐个预测类别、偏移量
- 计算、合并预测边界框
- 根据置信度决定是否输出
首先考虑标注训练样本（锚框）：分配到最接近的真实边界框
锚框标注：分配算法 I
每个锚框：分配最接近的真实边界框
- 锚框：A_1,..,A_s，真实：B_1,..,B_t
- x_{ij}：A_i、B_j的IoU
- 找出最大元素x_{i_1j_1}：将A_{i_1}分配给B_{j_1}
- 丢弃i_1行、j_1列的剩余元素
锚框标注：分配算法 II
每个锚框：分配最接近的真实边界框
- 锚框：A_1,..,A_s，真实：B_1,..,B_t
- x_{ij}：A_i、B_j的IoU
- 找出最大元素x_{i_1j_1}：将A_{i_1}分配给B_{j_1}
- 继续找出最大元素x_{i_2j_2}：将A_{i_2}分配给B_{j_2}
- 丢弃i_2行、j_2列的剩余元素
锚框标注：分配算法 III
每个锚框：分配最接近的真实边界框
- 锚框：A_1,..,A_s，真实：B_1,..,B_t
- x_{ij}：A_i、B_j的IoU
- 找出最大元素x_{i_1j_1}：将A_{i_1}分配给B_{j_1}
- 继续找出最大元素x_{i_2j_2}：将A_{i_2}分配给B_{j_2}
- 继续以上步骤，直到所有t个真实边界框都已被分配
- 此例：只有4个锚框被分配
锚框标注：分配算法 IV
每个锚框：分配最接近的真实边界框
- 锚框：A_1,..,A_s，真实：B_1,..,B_t
- x_{ij}：A_i、B_j的IoU
- 找出最大元素x_{i_1j_1}：将A_{i_1}分配给B_{j_1}
- 继续找出最大元素x_{i_2j_2}：将A_{i_2}分配给B_{j_2}
- 继续以上步骤，直到所有t个真实边界框都已被分配
- 遍历其余s-t个锚框：只有当IoU大于阈值时分配
输出：每个真实边界框对应多个锚框
- 按照IoU的降序排列
锚框标注：类别
类别：按照分配情况标记
- 没有分配：标记为“背景”，即负例
- IoU 小于阈值
锚框标注：类别、偏移量
类别：按照分配情况标记
- 没有分配：标记为“背景”，即负例
- IoU 小于阈值
偏移量：中心点、相对大小
\left( \frac{x_b - x_a}{w_a}, \frac{y_b - y_a}{h_a}, \frac{w_b}{w_a}, \frac{h_b}{h_a} \right)
- 问题：数据复杂时数值差异过大、难以拟合
解决方案：变换位置、大小，使其分布更均匀
\left( \frac{ \frac{x_b - x_a}{w_a} - \mu_x }{\sigma_x}, \frac{ \frac{y_b - y_a}{h_a} - \mu_y }{\sigma_y}, \frac{ \log \frac{w_b}{w_a} - \mu_w }{\sigma_w}, \frac{ \log \frac{h_b}{h_a} - \mu_h }{\sigma_h} \right)
锚框预测：边界框
然后看锚框预测：生成多个锚框，逐个预测类别、偏移量
- 计算、合并预测边界框
- 根据置信度决定是否输出
计算边界框：根据偏移量反向调整
- 锚框A逆向偏移后得到预测边界框B
- 前一页公式反向操作
锚框预测：类别置信度
计算每个类别的概率：取最大的作为预测类别
- 称为预测边界框的置信度（confidence）
锚框预测：非极大值抑制
计算每个类别的概率：取最大的作为预测类别
- 称为预测框的置信度（confidence）
生成锚框过于稠密，且相似：增加不必要计算量
- 合并预测框：相同物体、相似边界框
- 非极大值抑制（non-maximum suppression，NMS）
NMS：预测框按置信度降序排列，可截断
- 取置信度最高的边界框B
- 将B加入保留列表
- 移除所有与B的IoU超过阈值的预测框
- 重复，直至所有预测框都在保留列表：输出
输出中任意一对预测框都不相似：因IoU小于阈值
锚框：计算复杂度
以每个像素为中心生成不同形状的边界框
- 图宽w、高h，缩放比s，宽高比r
问题：计算复杂度太高，不可能计算
- 锚框总数：whnm
例如：561x728的图像，3种缩放比、宽高比
- 561 \times 728 \times 9 > 367 万
密集采样完全没必要：生成大量冗余锚框
- 均匀间隔采样作为锚点
均匀间隔采样
每个像素点都是锚点
固定间隔、相同宽高比
- 行、列都只有4个采样点
目标、锚框尺寸
目标尺寸不同：锚框大小可以、且应该区别对待
- 目标较小：使用小锚框也有足够的可选尺寸
- 例如：2x2图像可以填充4种1x1、2种1x2、1种2x2
- 使用大锚框反倒会圈入干扰信息
- 目标较大：必须使用相匹配的锚框尺寸
- 由于均匀间隔，采样数可以相应减少
多尺度锚框
行、列都只有2个采样点
- 锚框尺寸必须相应增加
- 更大的观察窗口：检测更大目标
行、列都只有1个采样点
- 极端情况：锚点即图像中心点
多尺度检测
锚框大小：等价于感受野尺寸，“站得高看得远”
- 回顾：神经网络可以看成特征提取器
- 深度不同的层：提取不同抽象级别的特征
锚框本质上是利用感受野接受到的信息进行预测
- 较深的层：感受较大规模的目标
- 必然需要较大的感受野、锚框